基于余弦相似度度量学习的人脸识别方法技术

本发明专利技术公开了一种基于余弦相似度度量学习的人脸识别方法，其特征在于，包括以下步骤：对于人脸图像，依次进行人脸检测、特征点定位及归一化和特征提取；计算所有训练样本和验证样本得到特征向量，使用余弦相似度度量学习方法估计最优转移矩阵A，计算样本间的相似度，将相似度与设定的阈值比较，若大于阈值，则人脸图像为同一个人，否则不是同一个人。该方法计算简单，能提高现有度量的泛化能力，有效增强人脸识别的精度。

【技术实现步骤摘要】

本专利技术涉及一种人脸识别方法，具体地涉及一种基于余弦相似度度量学习的人脸识别方法。
技术介绍
人脸识别是一种人体生物识别技术，它在许多领域有实际和潜在的应用，如刑侦破案、证件核对、安全监控等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个热点。人脸识别容易受到各种因素的影响，如：光照、表情、角度、样本量等。目前怎样提高人脸识别准确度主要体现在如何获得有效的鉴别特征。近年来随着深度学习的不断研究，人们可以从大量的样本里学到很好的特征。而在匹配方面尤其是单一训练样本问题上，往往直接用度量方法比对，如：欧氏距离、余弦相似度等。这些度量方法是由人工设计的，没有利用到人脸样本间的信息，如来自相同人的样本和来自不同人的样本之间的联系与区别，所以直接用于人脸特征匹配并不适合。
技术实现思路
针对上述技术问题，本专利技术目的是：提供一种基于余弦相似度度量学习的人脸识别方法，该方法计算简单，能提高现有度量的泛化能力，有效增强人脸识别的精度。本专利技术的技术方案是：一种基于余弦相似度度量学习的人脸识别方法，其特征在于，包括以下步骤：S01：对于人脸图像，依次进行人脸检测、特征点定位及归一化和特征提取；S02：计算所有训练样本和验证样本得到特征向量，使用余弦相似度度量学习方法估计最优转移矩阵A，计算样本间的相似度，将相似度与设定的阈值比较，若大于阈值，则人脸图像为同一个人，否则不是同一个人。优选的，所述步骤S01包括，若检测到人脸，继续定位人脸特征点，根据人眼坐标校正人脸至平面内水平，并按比例裁剪图像。优选的，所述步骤S01中使用高维多尺度LBP特征提取特征点，具体包括：S21：归一化人脸图像至5个尺度，分别为300,200,150,100和75；S22：对每一个特征点，取周围40×40的区域，并分割成不重叠的4×4块，每个块内计算均匀模式的LBP，每个尺度均取N个特征点；S23：使用主成分分析法PCA降低维数至4096维。优选的，所述步骤S02中估计最优转移矩阵A，包括以下步骤：(1)准备训练样本xi,yi和验证样本；(2)初始化预定义矩阵A0、转移矩阵A、正负样本间的贡献权重系数α和最小训练误差Errmin；(3)余弦相似度为目标函数为Npos和Nneg分别表示正负样本的数量，两者之和即为总训练样本量，α,β＞0，β为权衡系数；(3)由粗到细地选择权衡系数β，计算训练误差，若训练误差小于最小训练误差Errmin，更新Errmin和A；(4)将最新的A赋值给A0，重复步骤(3)，直到训练误差收敛，得到最优转移矩阵A。优选的，对于1对多的人脸图像匹配，依次计算余弦相似度，并从大到小排序，余弦相似度最大的人脸图像即为匹配人员。与现有技术相比，本专利技术的优点是：该方法通过学习样本空间，得到空间转移矩阵，使得相同样本的空间更加紧密，不同样本的空间更加分散。该方法计算简单且提升了现有度量方法的泛化能力。将该方法应用于人脸识别，有效的提高了识别准确度。附图说明下面结合附图及实施例对本专利技术作进一步描述：图1为本专利技术的人脸识别流程图；图2为本专利技术中的人脸特征点定位效果图。图3为本专利技术的转移矩阵学习流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。实施例：如图1所示，本专利技术的一种基于余弦相似度度量学习的人脸识别方法，包括以下步骤：(1)对于任意输入的图像，首先检测人脸。(2)若检测到人脸，继续定位人脸特征点，如图2所示。根据人眼坐标校正人脸至平面内水平，并按比例裁剪图像。(3)提取人脸特征，本例中使用高维多尺度LBP特征，具体步骤如下：(3-1)归一化人脸图像至5个尺度，分别为300,200,150,100和75。(3-2)对每一个特征点，取周围40×40的区域，并分割成不重叠的4×4块，每个块内计算均匀模式的LBP(特征维数为59)。本例中每个尺度均取16个特征点，这样人脸特征维数为75520＝(4×4×59×16×5)。(3-3)使用主成分分析法PCA将(3-2)中的维数降低到4096维。(4)所有训练样本和验证样本计算得到特征向量后，使用余弦相似度度量学习方法估计最优转移矩阵A。(4-1)对于1对1人脸验证，计算它们的相似度。相似度大于设定的阈值，认为是同一人；否则认为是不同的人。(4-2)对于1对多的人脸匹配，依次计算相似度，并按照从大到小排序，最大相似度对应的人认为是匹配人员。使用余弦相似度度量学习方法估计最优转移矩阵A的方法包括如下：(1)假设有两个向量x和y，那么它们余弦相似度的定义如下：S(x,y)=xTy||x||||y||---(1)]]>分析可知，S(x,y)的取值范围为[-1,1]，这一特性使得余弦相似性适合度量学习。(2)现假设有带标签的二分类训练集其中li∈{1,-1本文档来自技高网...

【技术保护点】
一种基于余弦相似度度量学习的人脸识别方法，其特征在于，包括以下步骤：S01：对于人脸图像，依次进行人脸检测、特征点定位及归一化和特征提取；S02：计算所有训练样本和验证样本得到特征向量，使用余弦相似度度量学习方法估计最优转移矩阵A，计算样本间的相似度，将相似度与设定的阈值比较，若大于阈值，则人脸图像为同一个人，否则不是同一个人。

【技术特征摘要】
1.一种基于余弦相似度度量学习的人脸识别方法，其特征在于，包括以下步骤：S01：对于人脸图像，依次进行人脸检测、特征点定位及归一化和特征提取；S02：计算所有训练样本和验证样本得到特征向量，使用余弦相似度度量学习方法估计最优转移矩阵A，计算样本间的相似度，将相似度与设定的阈值比较，若大于阈值，则人脸图像为同一个人，否则不是同一个人。2.根据权利要求1所述的基于余弦相似度度量学习的人脸识别方法，其特征在于，所述步骤S01包括，若检测到人脸，继续定位人脸特征点，根据人眼坐标校正人脸至平面内水平，并按比例裁剪图像。3.根据权利要求1所述的基于余弦相似度度量学习的人脸识别方法，其特征在于，所述步骤S01中使用高维多尺度LBP特征提取特征点，具体包括：S21：归一化人脸图像至5个尺度，分别为300、200、150、100和75；S22：对每一个特征点，取其周围40×40的区域，并分割成不重叠的4×4块，每个块内计算均匀模式的...

【专利技术属性】
技术研发人员：武克杰，鲁星星，吴建伟，
申请(专利权)人：江苏华通晟云科技有限公司，
类型：发明
国别省市：江苏;32